农业机器人轨迹优化自动控制研究——基于BP神经网络与计算力矩

以农业机器人精密轨迹优化自动控制为目标,在优化算法中引入BP神经网络与计算力矩法结合的自动控制器,旨在减少作业过程中的运动误差,提高其工作效率。首先,建立农业机器人数学模型,分析其运动学和动力学原理;然后,设计了农业机器人运动控制系统,引入BP神经网络对不确定动力学因素进行判断,并提出解决该因素的自适应学习法;最后,对该系统运用Mat Lab进行了仿真。试验表明:以BP神经网络与计算力矩法结合的自动控制器可以有效优化机器人运动路径,提高机器人整体作业效率,系统运行稳定、可靠性强,且对外部环境的干扰因素具有较强的自适应学习能力。     

智能轨迹控制割草机器人设计——基于FPGA神经网络

为了提高割草机器人自主导航和定位的精确性和智能性,设计了一种新型的基于FPGA神经网络算法的割草机器人。该设计采用FPGA可重构技术,以3层误差反向传播神经网络作为典型的模型来展开;利用成熟的BP算法公式,设计了割草机器人智能控制的模型;利用FPGA技术,设计了割草机器人的硬件系统;最后采用文本输入的设计方法,利用田间试验的方式,对机器人的轨迹规划能力和控制精度进行了验证。试验结果表明:利用FPGA和神经网络模型可以有效地穿越5个障碍物,并可得到满意的轨迹规划结果。将普通的PID控制器和神经网络PID控制器得到的控制结果误差进行了对比,结果表明:神经网络PID控制器得到的割草机器人控制误差明显比传统的PID控制器误差小。该方法为神经网络的硬件实现提供了可靠的理论基础。     

低模数水玻璃对橡胶轻骨料混凝土力学性能的影响

为了了解不同掺量水玻璃对橡胶轻骨料混凝土(RLC)力学性能的影响,在RLC中加入水玻璃,并用20％粉煤灰代替水泥,制作水玻璃掺量分别为0,2％,4％,6％,8％的混凝土试块.通过核磁共振试验研究其微观孔隙变化及强度形成机理;进行对数函数曲线预测和BP神经网络强度预测,判断其可靠性并对比优劣.结果表明:水玻璃的掺入使RL...     

基于BP神经网络的柴油发动机特性建模

建立连续的发动机燃油特性和调速特性数学模型作为液压机械无级变速器虚拟试验平台的动力源。根据虚拟平台对不同特性区域的精度需求对柴油发动机不同特性区域的试验数据进行不同的密度选取、乱序和归一化处理,采用单隐层BP神经网络对试验数据进行训练,对比不同隐层节点数网络的训练误差和测试误差,选取误差最小的网络,求解出网络的数学表达式。通过该方法以ISLe310柴油发动机为例建立燃油特性和调速特性的连续数学模型,这两个简单的数学表达式准确反映了发动机万有特性和外特性,连续模型避免了虚拟试验中出现信号的突变和奇异点。通过和经典的最小二乘法拟合得到的最优特性模型进行对比,其具有更小的误差、更强的泛化能力,能够更好地反映柴油发动机的相关特性。     

人工神经网络在土壤含盐量预测中的应用

土壤含盐量的预测对合理配置水资源.防治土壤次生盐碱化等具有重要的指导意叉.在阐述BP人工神经网络原理的基础上,针对影响土壤含盐量的主要因素,建立了多因子土壤含盐量的3层BP网络模型,以土壤含水率、地下水矿化度、地下水pH值、地下水埋深、相对湿度、降雨量、蒸发量作为模型输入参数,土壤含盐量作为模型输出,对土壤含盐量进行了预测.结果表明,BP神经网络模型预测土壤含盐量的最大误差为8.78%,平均误差为5.99%,模型具有较高的预测精度.     

基于遗传算法与RBF网络的养殖池塘溶解氧模型

在分析了工厂化水产养殖池塘溶解氧影响因素的基础上,利用RBF神经网络良好的非线性逼近能力建立了池塘溶解氧的神经网络预测模型.常规的RBF神经网络模型常导致训练时间较长且易陷入局部极小点,因此,采用自适应遗传算法对RBF神经网络进行优化,模型的收敛速度明显加快.采用了养殖池塘的外部可控环境水体温度T、水流量Q、酸度(pH)以及增氧机器的转速V作为模型的输入.实验结果表明采用该方法预报溶解氧的预测精度较常规RBF递推算法的预测精度明显提高.该方法为研制开发智能水产养殖环境监控系统以及工厂化水产养殖奠定了基础.     

柴油机燃油供给系统故障诊断研究

柴油机燃油供给系统故障直接影响燃油的喷射质量和燃烧过程,进而影响柴油机的动力性、经济性和可靠性,因此对燃油供给系统实施状态检测与故障诊断具有重要的现实意义.为此,阐述了燃油供给系统各种故障模式下的产生原因,进行了高压油管压力信号的波动分析,通过虚拟仪器实现故障特征参数提取,利用BP神经网络实现故障的诊断方法.结果表明,该方法可实现柴油机喷油器的不解体故障分析,有利于实时故障的在线诊断,在实际的故障诊断中具有一定的应用价值.     

基于神经网络的猪肉新鲜度检测分级系统

首先,应用CCD光电检测技术对可表征猪肉新鲜度的多个特征量进行检测;然后,利用数字图像处理技术对检测到的特征量进行处理;最后,利用神经网络技术研究非相干微量参数的多数据融合检测方法,从而实现对猪肉新鲜度检测分级辨识。     

基于量子神经网络的马铃薯早疫病诊断模型

针对马铃薯早疫病智能诊断,将量子计算的态叠加方法和神经网络计算的自适应性结合,提出了将量子神经网络作为马铃薯早疫病诊断模型.该模型隐含层采用多个量子能级的激励函数叠加的量子神经元,有效地解决了病害诊断中模糊决策,在给出的学习算法的训练过程中自适应地确定样本特征数据中的不确定性.此算法能够较好地避免传统神经网络在训练过程中易出现局部极小值的弊端,提高了网络学习速度.仿真结果表明:量子神经网络在马铃薯早疫病诊断中,诊断正确率达到96.5％.     

概率神经网络在玉米叶部病害识别中的应用

根据锈病、灰斑病、小斑病、褐斑病和弯孢菌叶斑病等5种主要玉米叶部病害的特点,提出了一种基于图像处理技术和概率神经网络技术的玉米叶部病害识别方法.首先,对田间采集的玉米叶部病害图像样本进行去噪处理、图像分割和特征提取;然后,利用遗传算法优化选择出4个独立、稳定性好、分类能力强的分类特征;最后,提取目标对象的特征向量作为输入向量,由概率神经网络(PNN)分类器识别病害类别,平均正确识别率为90.4%,高于BP神经网络.试验结果表明了该方法的有效性,可为田间作物病虫害的快速智能诊断提供借鉴.